Revista Ibérica de Sistemas e Tecnologias de Informação

Recebido/Submission: 01/12/2018
Iberian Journal of Information Systems and Technologies Aceitação/Acceptance: 07/02/2019

Modelo matemático basado en programación

lineal y lógica difusa para predicción de tiempos en
industrias de ensamble de bicicletas

Pedro Rodas D.1, Rodrigo Guamán2, Eliezer Colina Morles3, Mario Peña4, Lorena
Siguenza-Guzmán5

pedro.rodas@ucuenca.edu.ec, rodrigo.guaman@ucuenca.edu.ec, eliezer.colina@ucuenca.

edu.ec, mario.penao@ucuenca.edu.ec, lorena.siguenza@ucuenca.edu.ec

1,2,3,4,5
Universidad de Cuenca, 010203, Cuenca, Ecuador.
Pages:581–594

Resumen: En la industria de ensamblaje se presentan altos grados de

incertidumbre al identificar problemas operacionales, debido a limitados recursos y
al control ineficiente de producción. Centrándose en el ensamble de bicicletas, este
artículo presenta un modelo que combina programación lineal y lógica difusa para
obtener tiempos estándar asociados a la producción de bicicletas. La minimización
de la función objetivo se la realizó a través de Excel “Solver”, y su formulación
involucró la identificación de variables, restricciones, parámetros constantes,
condiciones de trabajo y tasas de producción. Los tiempos obtenidos del modelo
de programación lineal ingresan como variables en el modelo de lógica difusa, para
dar como resultado tiempos estándar. Este estudio permite una identificación del
estado actual del proceso productivo, obteniendo el máximo beneficio en recursos
operativos y condiciones de trabajo. Además, el modelo mejora la toma de decisiones
a través de un control de incertidumbre en la planificación de la producción.
Palabras-clave: función de pertenencia; lógica difusa; programación lineal;
reglas difusas; tiempo estándar.

Mathematical model based on linear programming and fuzzy logic for

time prediction in bicycle assembly industries

Abstract: In the assembly industry, there is a high degree of uncertainty when

identifying operational problems, due to limited resources and inefficient
production control. Focusing on the assembly of bicycles, this article presents a
model that combines linear programming and fuzzy logic to obtain standard times
associated with the production lines of bicycles. The tool used for minimizing the
objective function was Excel “Solver”, and its formulation involved the identification
of variables, restrictions, constant parameters, working conditions and production
rates. The times obtained from the linear programming model entered as variables
in the fuzzy logic model, to yield standard times estimates. This study allows an
identification of the current state of the productive process, obtaining the maximum

RISTI, N.º E19, 04/2019 581

Modelo matemático basado en programación lineal y lógica difusa para predicción

benefit in operative resources and working conditions. In addition, the model

improves decision making through uncertainty control in production planning.
Keywords: fuzzy logic; fuzzy rules; linear programming; membership function;
standard time.

1. Introducción
La gestión en la organización direcciona la utilización de recursos para minimizar costos,
lo que resalta la importancia de la medición del trabajo en los pilares económico, social,
organizacional y productivo (Cáceres Cárdenas et al., 2015). Frecuentemente, en el pilar
productivo, las empresas ensambladoras buscan eliminar tareas innecesarias con el fin
de simplificar y combinar operaciones. Esto conlleva a la realización de mediciones para
incrementar la eficiencia y establecer estándares en métodos, materiales, herramientas
y equipos de trabajo (Wu, Zhao & Tong, 2018).
Para el cálculo de estándares en producción existen técnicas básicas que reflejan la
medición del trabajo. Estas técnicas están divididas en métodos de observación directa y
de observación indirecta. En los métodos directos, se utiliza un cronómetro para medir
los tiempos y muestreo del trabajo, lo que conduce a registros de las observaciones
aleatorias de la persona. Los métodos indirectos, se formulan a través de sistemas de
datos predeterminados de tiempos y movimientos (Chase, Jacobs y Alquilano, 2009),
utilizados especialmente para trabajos repetitivos sumamente detallados. Por otra
parte, la incertidumbre al realizar un estudio de tiempos surge de la variabilidad de los
datos y de la subjetividad humana, que conduce a imprecisiones al observar o medir
valores de una variable, tanto por parte del instrumento de medida como por parte del
observador que la realiza (Zohoori et al., 2019). El enfoque en la subjetividad humana
se ha direccionado en el estudio de un campo de análisis de decisión como es la toma
de decisiones difusas, la cual incorpora la imprecisión en la formulación de modelos y
procesos de solución (Silva, 2018).
Este estudio plantea una formulación matemática, aplicando programación lineal
clásica, que permita estimar tiempos máximos y mínimos, enlazando variables y
restricciones, para luego introducir los mismos en un modelo difuso, basado en reglas de
“Mamdani”, e implantarlo usando la herramienta “Fuzzy Logic” de MatLab. El modelo
de programación lineal clásica se basó en la minimización de una función objetivo que
involucra: variables de calificación ponderada del operario, parámetros constantes,
restricciones cómo SET-UP y tiempos de “Confiabilidad”.

2. Materiales y métodos
Esta sección describe la metodología utilizada en el caso de estudio e incluye tres nociones
básicas: obtención del tiempo estándar, basándose en el método del cronómetro;
programación lineal clásica y lógica difusa con reglas tipo Mamdani.

2.1. Caso de estudio

El caso de estudio fue una planta ensambladora de bicicletas con un portafolio de 12
modelos diferentes, identificados como: 1A, 1B, 2A, 3A, 3B, 3C, 3D, 3E, 3F, 3G, 3H y

582 RISTI, N.º E19, 04/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

4A. El área productiva está dividida en subprocesos y se dispone de 15 datos (tiempos)

levantados mediante el método del cronómetro por Castro et al. (2019).
En el levantamiento se consideró lo siguiente: 1) tiempos máximos y mínimos de cada
subproceso; 2) plan de producción de 500 unidades por modelo; 3) turno de trabajo
de cinco días a la semana. La Tabla 1 presenta el número de operarios y los períodos
de cumplimiento de producción planificada; 4) tiempos de preparación de materiales,
transporte y, en algunos casos, calibraciones y cambios de matriz de las máquinas en cada
subproceso; y, 5) el hecho de que en los subprocesos de “Armado de llantas” y “Armado
de timón”, los operarios trabajaban por lotes, para luego ensamblar componentes en la
línea de bicicletas.

2.2. Metodología
El análisis de los procesos se lo realizó estudiando previamente los diagramas de
procesos (DPO) con la finalidad de reducir deficiencias en producción, y mejorar la
distribución de los equipos y áreas donde se realizaban las actividades. Otra herramienta
utilizada fue el diagrama del proceso de recorrido (DPR) que permitió ver la trayectoria
de un producto por las diferentes etapas de manufactura y ensamble. Para el cálculo del
tiempo estándar por cronómetro se siguió la metodología propuesta por García Criollo
(1998), que describe la medición del trabajo en busca de establecer tiempos que sirvan
de modelo para su ejecución.

Límite de días para

Subproceso N° Operarios
cada subproceso
Corte ½ 1
Conformado 1 2
Suelda 3 12
Pintura 3 2
Armado de cuadro completo y trinche 3 3
Armado de las llantas 3 5
Armado del timón 2 1
Ensamble de accesorios 3 3
Armado de la montura 2 1
Ensamble de la montura y almacenaje de producto terminado 1 1

Tabla 1 – Número de operarios y límite de días por subproceso (Castro et al., 2019)

2.3. Tiempo estándar por cronómetro

El cálculo del tiempo medio observado, “TMO”, es con base al número calculado de
observaciones , tal como aparece en la ecuación 1.

 (1)

RISTI, N.º E19, 04/2019 583

Modelo matemático basado en programación lineal y lógica difusa para predicción

El número de observaciones “N” para el cálculo del tiempo normal está dado por la
fórmula estadística de la ecuación 2 (Niebel & Freivalds, 2009).

 (2)

Donde:
N= número de mediciones.
= error expresado en forma decimal.
= la media aritmética de los tiempos de reloj.
= desviación típica.
K = coeficiente de riesgo (Niebel & Freivalds, 2009).
El número necesario de observaciones se obtiene con un tiempo de reloj representativo
de un porcentaje de error (e%) y un porcentaje dado de riesgo (R%), al cual le corresponde
un valor de coeficiente de riesgo K en la forma siguiente:
K = 1 para riesgo (R) de error de 32%.
K = 2 para riesgo (R) de error de 5%.
K = 3 para riesgo (R) de error de 0.3%.
Por otro parte, la desviación típica de los tiempos de reloj se presenta en la
ecuación 3.

 (3)

Donde,
= los valores obtenidos de los tiempos de reloj.
= la media aritmética de los tiempos de reloj.
n= frecuencia de cada tiempo de reloj tomado.
Dado que existen casos que poseen tiempos altos, como la preparación de materia
prima, transporte, calibraciones y cambios de matriz de cada subproceso, el número de
observaciones fue calculado según la tabla General Electric (García Criollo, 1998).
Para el cálculo del tiempo promedio observado, “ se realiza una sumatoria de las
lecturas de cada actividad dividida entre el número de lecturas consideradas, tal como lo
sugiere la ecuación 4 (Niebel y Freivalds, 2009).

(4)


El tiempo normal, “TN”, se calculó por medio del producto entre el tiempo promedio y un
factor de valoración asociado con la actuación de las personas que realicen la actividad,
según lo especificado en la ecuación 5.

584 RISTI, N.º E19, 04/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

 (5)

Finalmente, para el cálculo del tiempo estándar, “TE”, se calificó primero los
denominados suplementos, tanto constantes como variables, tal como aparece descrito
en García Criollo (1998), utilizando la ecuación 6.

 (6)

2.4. Programación lineal

La programación matemática es usada en tareas de toma de decisiones que involucran
la optimización de variables. En el caso de problemas de programación lineal,
corrientemente se formula la optimización de una función objetivo lineal sujeta a un
conjunto de restricciones dadas por ecuaciones lineales. Para la construcción del modelo
de optimización se establecen cuatro aspectos: 1.- descripción del conjunto de datos;
2.- identificación del conjunto de variables involucradas; 3.- definición del conjunto de
restricciones lineales y criterios de decisión; y, 4.- definición de la función objetivo a ser
optimizada.
En los problemas de programación lineal se establece una condición de no negatividad de
las variables involucradas. Adicionalmente, los métodos de solución operan convirtiendo
las restricciones de desigualdad en igualdades. En general, el modelo de programación
lineal consistente en elegir valores de x1, x2, …, xn para la maximización de la función
como la descrita en la ecuación 7:

 (7)

sujeto a restricciones como las presentadas por las ecuaciones 8-10 y a restricciones de
no negatividad como las presentadas en 11.

 (8)

 (9)

 (10)

 (11)

Donde:
= Variable de decisión.
j = Nivel de actividad.
= Medida de efectividad global seleccionada (función objetivo).
= Incremento que resulta en Z por cada incremento unitario en .
= Cantidad disponible de recurso i (parámetro del modelo).

RISTI, N.º E19, 04/2019 585

Modelo matemático basado en programación lineal y lógica difusa para predicción

= Cantidad disponible de recurso i que consume en cada una de las actividades de

j (parámetro del modelo).

2.5. Lógica difusa

La lógica difusa es una rama de la inteligencia artificial que permite resolver problemas
donde está presente un grado alto de incertidumbre (García Enríquez et al., 2008).
La modelación de sistemas mediante reglas difusas del tipo “Mamdani”, permite la
representación lingüística de procesos complejos usando sentencias gramaticales
sencillas (García Enríquez et  al., 2008; Soriano Méndez, et al., 2000; Unuigbe et al.,
2016). La representación de sistemas mediante reglas difusas del tipo “Mamdani”
es expresada en términos del sentido común y puede ser definida como un sistema
interpretativo matemático, en el cual los elementos están relacionados con un conjunto
no definido, y a estos conjuntos se les otorgará una función de pertenencia relativa
(Unuigbe et al., 2016).
La herramienta “Fuzzy Logic” de MatLab fue utilizada para realizar el procesamiento del
modelo difuso propuesto. Previo al procesamiento, fue necesario realizar la “Fuzzificación”
de las variables, con el objeto de establecer una relación entre las variables numéricas y
las funciones de pertenencia asociadas a las mismas en un dominio conocido. La Tabla 2
corresponde a la base de conocimiento e incluye las variables difusas de entrada y salida
del modelo difuso. Las funciones de pertenencia pueden ser definidas de varias maneras,
como trapezoidales, triangulares, singleton, entre otras. Para el modelo formulado tipo
Mamdani se usa la forma del tipo trimf, que dependen de parámetros escalares (a, b, c, …,
n) para obtener una forma triangular (Bouza y Alimenti, 2010; Kouro y Musalem, 2002;
Soriano Méndez et al., 2000). La ecuación 12 presenta la forma tipo triangular (trimf).

 (12)

Tmax
Tpequeñomáx Tmediomáx Tgrandemáx
Tpequeñomin TEstándarmuy pequeño TEstándarpequeño TEstándarmedio

Tmin Tmediomin TEstándarpequeño TEstándarmedio TEstándargrande

Tgrandemin TEstándarmedio TEstándargrande TEstándarmuy grande

Tabla 2 – Base de conocimiento del modelo lógico difuso

Con las variables “Fuzzificadas”, se establecen relaciones lógicas expresadas en forma

lingüística. Los modelos de lógica difusa usan reglas combinando uno o más conjuntos
difusos. Los conjuntos de entrada son llamados antecedentes, a los que se les asocian
conjuntos difusos de salida llamados consecuentes. La regla se basa en operaciones
sencillas de inferencia lógica, con las que se describe el comportamiento del sistema

586 RISTI, N.º E19, 04/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

usando conectores lingüísticos del tipo SI, Y, ENTONCES. Los conjuntos difusos del
antecedente se asocian mediante operaciones lógicas difusas del tipo Y u O (Soriano
Méndez et  al., 2000; Urrutia y Sernaque, 2014). La “aritmética difusa” incluye
operaciones básicas de unión, intersección y negación, aplicadas sobre conjuntos difusos
(Soriano Méndez et al., 2000; Urrutia y Sernaque, 2014).
El método de “Defuzzificación” es la etapa final del procesamiento lógico difuso, que
permite convertir un conjunto difuso en un número real. El proceso es posterior a
la realización de la inferencia difusa, que en este caso, está basada en el método de
Mamdani por mínimos (Cardona, Hoyos & Ruiz, 2009).

3. Modelo de programación lineal

El modelo de programación lineal clásico se amoldó al caso de estudio con el propósito
de tener un escenario real de la producción de bicicletas. La función objetivo permitió
obtener los tiempos estándar mínimo y máximo. En la selección de las variables, se
consideró el comportamiento del personal en cada subproceso.

3.1. Declaración de variables

Las variables se definieron de acuerdo al entorno donde está involucrado el operario,
según el subproceso i. Las variables que se disponen son las siguientes: = Factor de
ponderación del operario en el subproceso i. = Número de fallas por operario en
el subproceso i. Para el factor de ponderación del operario se consideró los siguientes
parámetros (Berrocal Berrocal, 2016): 1.-tiempo de adaptación al puesto de trabajo;
2.-experiencia previa; 3.-responsabilidad por errores; y, 4.-toma de decisiones al
momento de realizar alguna actividad.

3.2. Definición de parámetros constantes

En la formulación del modelo, se consideraron constantes los siguientes parámetros:
CPL = Cantidad de producción planificada; NPRi = Número de personas requeridas en
el subproceso i; DL = Días laborales; HEsp = Cantidad de horas estándar por subproceso
i; TMini = Tiempo mínimo en el subproceso i; TMaxi = Tiempo máximo en el subproceso
i; TSPi = SET – UP en el subproceso i; % Rdi= Rendimiento del operario en el subproceso
i; y, = Número de fallas en el subproceso i. El desempeño del operario fue calculado
de acuerdo al cociente entre la producción real y la capacidad productiva, para cada
subproceso, dado por la ecuación 13 (Montero Vega et al., 2013).

(13)


3.3. Restricciones
Las restricciones se plantearon de manera matemática de acuerdo a las limitaciones
de la producción de bicicletas. Las restricciones para el estudio fueron las siguientes:
capacidad–empleado, descrita por la ecuación 14, rendimiento laboral, modelado por
las ecuaciones 15 y 16, e inventario por subproceso, dado por la ecuación 17.

RISTI, N.º E19, 04/2019 587

Modelo matemático basado en programación lineal y lógica difusa para predicción

(14)


 (15)

 (16)

 (17)

Una vez planteadas las variables, parámetros constantes y restricciones de la función,

se minimizó la función objetivo, según la relación operario–tiempo máximo y tiempo
mínimo de cada subproceso, según las ecuaciones 18 y 19. A su vez el cálculo de la
confiabilidad, fue expresado según las ecuaciones 20 y 21.

 (18)

 (19)

 (20)

 (21)

La solución del modelo matemático con programación lineal fue realizada en el

complemento de Microsoft Excel “Solver”, con el cual la función objetivo fue minimizada
en relación al tiempo, por medio del método de resolución “Simplex LP”. En la Tabla 3,
se presenta un cuadro resumen de los tiempos estándar mínimos y máximos por modelo
de bicicleta. Cabe mencionar que los márgenes de los tiempos estándar mínimos y
máximos varían en cada modelo de bicicleta, debido a los tiempos de “set-up” de cada
subproceso.

4. Modelo de lógica difusa basado en reglas de Mamdani

Para implementar el modelo lógico difuso para los tipos de bicicletas se utilizó la
herramienta “Fuzzy Logic” de MATLAB, usando los valores de las variables de entrada
Tmax y Tmin dados en la Tabla 3. La construcción del modelo siguió la secuencia descrita
en el diagrama de la Figura 1. Se emplearon tres conjuntos difusos para caracterizar cada
variable de entrada y cinco conjuntos difusos para la variable de salida (TEstandar).
El modelo tipo “Mamdani” consistió de nueve reglas con la estructura SI-ENTONCES,
como se presenta en la Tabla 4. Los universos de discurso asociados a los conjuntos
difusos de las variables aparecen en la Tabla 5, para cada tipo de bicicleta.

588 RISTI, N.º E19, 04/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

Modelo de bicicleta Tiempo estándar mínimo Tiempo estándar máximo

(propuesto) (min) (min)
Modelo bicicleta 1A 384,43 392,92
Modelo bicicleta 1B 324,62 335,29
Modelo bicicleta 2A 371,41 382,65
Modelo bicicleta 3A 420,17 432,04
Modelo bicicleta 3B 458,08 473,27
Modelo bicicleta 3D 402,47 417,05
Modelo bicicleta 3D 455,13 471,88
Modelo bicicleta 3E 376,60 392,39
Modelo bicicleta 3F 490,39 532,57
Modelo bicicleta 3G 486,18 532,92
Modelo bicicleta 3H 438,50 445,49
Modelo bicicleta 4ª 325,95 333,38

Tabla 3 – Cuadro resumen – Tiempos estándar mínimos y máximos

Figura 1 – Diagrama de construcción del modelo lógico difuso

RISTI, N.º E19, 04/2019 589

Modelo matemático basado en programación lineal y lógica difusa para predicción

Reglas de Mamdani
1 If (Tmin is Tpq) and (TMax is Tpq) then (TEstandar is TEmpq)(1)
2 If (Tmin is Tpq) and (TMax is Tm) then (TEstandar is TEpq)(1)
3 If (Tmin is Tpq) and (TMax is Tpq) then (TEstandar is TEmpq)(1)
4 If (Tmin is Tm) and (TMax is Tpq) then (TEstandar is TEpq)(1)
5 If (Tmin is Tm) and (TMax is Tm) then (TEstandar is TEm)(1)
6 If (Tmin is Tm) and (TMax is Tg) then (TEstandar is TEg)(1)
7 If (Tmin is Tg) and (TMax is Tpq) then (TEstandar is TEm)(1)
8 If (Tmin is Tg) and (TMax is Tm) then (TEstandar is TEg)(1)
9 If (Tmin is Tg) and (TMax is Tg) then (TEstandar is TEmg)(1)

Tabla 4 – Reglas “Mamdani” utilizadas en el caso de estudio

TMin TMax

MODELO DE BICICLETA
Tpequeño Tmedio Tgrande Tpequeño Tmedio Tgrande
(PROPUESTO)

MODELO BICI 1A [374.9 377.3 379.6] [376.5 379.6 383.4] [378.5 380.9 385.4] [380.5 384.6 388.4] [382.5 386.6 390.4] [385.2 389.2 393.2]
MODELO BICI 1B [315.9 318.9 321.7] [317.0 320.4 323.8] [319.7 321.8 325.6] [323.3 327.7 331.8] [325.4 329.0 333.1] [328.8 331.4 336.2]
MODELO BICI 2A [362.4 365.7 368.0] [364.9 367.3 370.6] [366.6 369.8 372.3] [369.9 373.3 377.8] [372.5 376.4 380.6] [374.9 379.0 383.1]
MODELO BICI 3A [410.0 413.5 416.6] [412.8 415.4 418.7] [414.9 417.3 420.9] [417.0 421.5 425.6] [420.8 424.4 428.7] [424.9 428.2 432.6]
MODELO BICI 3B [449.4 452.1 455.0] [451.4 453.8 455.0] [453.8 456.0 459.2] [457.4 461.1 465.0] [460.4 464.6 468.3] [465.2 469.3 473.9]
MODELO BICI 3C [393.2 396.8 399.1] [395.3 398.5 401.6] [397.0 400.6 403.8] [403.2 407.8 411.1] [406.3 410.5 414.6] [409.9 413.6 417.8]
MODELO BICI 3D [446.6 449.5 452.9] [448.3 451.0 452.6] [450.9 453.2 456.4] [455.6 459.5 464.0] [458.3 462.3 466.0] [463.0 468.1 472.6]
MODELO BICI 3E [367.0 370.3 373.3] [369.8 372.4 375.1] [371.4 374.7 377.8] [375.0 379.3 383.3] [378.8 382.4 386.6] [383.9 388.6 393.1]
MODELO BICI 3F [481.3 484.6 487.2] [483.2 485.9 488.3] [485.3 488.1 491.7] [519.3 523.6 527.2] [522.0 526.1 530.3] [525.3 529.3 533.9]
MODELO BICI 3G [476.7 479.2 482.8] [478.7 481.9 484.3] [480.1 483.1 486.7] [519.3 523.6 527.2] [522.0 526.1 530.3] [526.3 530.3 534.9]
MODELO BICI 3H [429.8 432.9 435.5] [431.1 434.2 437.2] [433.2 436.4 439.5] [432.8 436.9 440.5] [434.1 438.2 442.2] [438.2 442.4 446.5]
MODELO BICI 4A [316.4 319.2 322.4] [318.0 321.7 324.5] [320.6 323.5 326.1] [319.4 324.2 328.4] [321.0 325.7 329.5] [325.6 329.5 333.8]

Tabla 5 – Universo de discurso de conjuntos difusos – Tmin y TMax (minutos)

Los límites superior e inferior del universo de discurso de las variables corresponden a
los valores mínimos y máximos obtenidos del modelo de programación lineal clásico.
Para propósitos ilustrativos, la Figura 2 describe las funciones de pertenencia de la
variable de salida para el tipo de bicicleta 1A.

Figura 2 – Funciones de pertenencia (consecuente) del modelo de bicicleta 1A

590 RISTI, N.º E19, 04/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

5 Resultados
La Figura 3 muestra gráficos de un procesamiento del modelo usando MatLab hasta
la obtención del valor del tiempo estándar, marcado en color rojo. Adicionalmente, en
las Figuras 3a y 3b se incluyen 1) la salida del modelo de lógica difusa y 2) el estado
de las reglas del modelo de lógica difusa respectivamente, para el modelo de bicicleta
1A. El resultado del tiempo estándar se basó en el método de “Defuzzificación” de tipo
centroide. Como resultado, al comparar con los valores de tiempos estándar obtenidos
por cronómetro, hubo un margen de error entre 5% y 9%, tal como se muestra la Figura 4.

Figura 3 – Procesamiento del modelo con MatLab. Tiempo estándar marcado en rojo. (a) Salida
del modelo lógico difuso. (b) Combinación de las reglas vs Salida – Método Centroide

Figura 4 – Error entre modelos de tiempo estándar

El resultado de los tiempos estándar en base a cronómetro (tiempo empírico) se presentan

en la Tabla 6. Este tiempo involucra una calificación de las habilidades del personal y de
los suplementos, tanto constantes como variables, al realizar una actividad. La tercera
columna de la Tabla 6 incluye los valores de tiempos estándar obtenidos con el modelo
lógico difuso. La Figura 5 presenta una comparación entre los valores de tiempos
estándar obtenidos en términos de tiempos medios observados, método del cronómetro
y estimado por el modelo lógico difuso.

RISTI, N.º E19, 04/2019 591

Modelo matemático basado en programación lineal y lógica difusa para predicción

6. Discusión
El presente artículo mostró un método para la construcción de modelos matemáticos
para la estimación de tiempos estándar en la industria de ensamble de bicicletas. El
método consta de dos partes: 1.- la determinación de los tiempos mínimos y máximos
en las líneas de ensamble usando un modelo de programación lineal, que considera
aspectos que afectan desempeños en los subprocesos, como adaptación al puesto de
trabajo, experiencia de los operarios, responsabilidad y confiabilidad operacional. 2.- la
determinación de tiempos estándar usando un modelo lógico difuso cuyas entradas son
los tiempos mínimos y máximos obtenidos con programación lineal.

Tiempo estándar
Tiempo medio Tiempo estándar MLD
Modelo de bicicleta por cronómetro
observado (minutos) (minutos)
(minutos)

Modelo bici 1A 375,27 410,06 387

Modelo bici 1B 317,39 359,45 326

Modelo bici 2A 360,32 395,12 374

Modelo bici 3A 413,04 444,46 424

Modelo bici 3B 451,4 492,5 461

Modelo bici 3D 396,41 430,58 405

Modelo bici 3D 449,35 489,31 458

Modelo bici 3E 365,16 402,5 379

Modelo bici 3F 500,38 552,34 511

Modelo bici 3G 500,1 552,04 513

Modelo bici 3H 426,2 459,28 439

Modelo bici 4A 322,37 362,16 327

Tabla 6 – Tiempo Estándar (Método del cronómetro) vs. Tiempo Estándar (estimado).
*MLD=Modelo de Lógica Difusa

592 RISTI, N.º E19, 04/2019

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

Figura 5 – Comparación de Tiempos Medio Observado (TMO), Tiempos Estándar por el Método
del Cronómetro y Tiempos Estándar por Modelo Lógico Difuso

El modelo lógico difuso usa reglas del tipo Mamdani y facilita la estimación de tiempos
estándar en las líneas de ensamble amalgamando factores de incertidumbre presentes
cuando se utiliza otro método de cálculo, como el método del cronómetro.

7. Conclusiones
El estudio está divido por dos secciones, la primera sección analiza el marco general de
la producción de bicicletas con la finalidad de conocer habilidades, entorno y ambiente
de trabajo que permitan evaluar el tiempo estándar en base a mediciones de tiempos por
cronómetro; la segunda parte, propone la construcción de modelos matemáticos, uno de
programación lineal para estimar tiempos máximos y mínimos y otro basado en lógica
difusa para estimar tiempos estándar en las líneas de ensamble.
El modelo de programación lineal fue resuelto mediante “Excel-Solver” y las variables
planteadas además de estar vinculadas con el entorno del operario, pueden ser afectadas
por el comportamiento de la persona y la ocurrencia de fallas operacionales. Los
resultados obtenidos en el proceso “Defuzzificación” tienen un margen de error entre
5% a 9%, comparados con el tiempo estándar resuelto por el método del cronómetro.
Operacionalmente, esto conduce a sugerir la reducción de recursos operativos/
ambientales del entorno de producción y del trabajador.
Agradecimientos: Este trabajo es parte del proyecto “Modelo de Gestión para la
Optimización de Procesos y Costos en la Industria de Ensamblaje”, ganador del XV
Concurso Universitario de Proyectos de la Dirección de Investigación de la Universidad
de Cuenca. Los autores agradecen a los directivos de la empresa caso de estudio, así
como brindan un especial agradecimiento a los miembros del equipo del proyecto.

Referencias
Berrocal Berrocal, F. (2016). Análisis comparativo de tres métodos de valoración de
puestos de trabajo (Tesis Doctoral). Universidad Complutense de Madrid, Madrid,
España. Recuperado de https://eprints.ucm.es/38833/
Bouza, A., y Alimenti, O. (2010). Microcontroladores Estándar en el Desarrollo de
Sistemas de Lógica Difusa, 1–16.
Cáceres Cárdenas, D., Reyes Vásquez, J. P., García Carrillo, M. G., y Sánchez Rosero,
C. H. (2015). Modelo de programación lineal para planeación de requerimiento de
materiales. Revista Tecnológica ESPOL - RTE, 28(2), 24–33.
Cardona, J. E., Hoyos, J. G., & Ruiz, C. C. (2009). Fuzzy state control of a 2GdL helicopter.
Scientia et Technica, 1(41), 69–74.

RISTI, N.º E19, 04/2019 593

Modelo matemático basado en programación lineal y lógica difusa para predicción

Castro Cambizaca, J., Rodas Gavilanes, J., Colina-Morles, E., Siguenza-Guzman,

L., y Arcentales Carrión, R. (2019). Levantamiento de procesos en industrias
de ensamblaje de bicicletas usando BPMN e ISO. En Libro de Memorias del VI
Congreso de la Red Ecuatoriana de Universidades y Escuelas Politécnicas para
Investigación y Posgrados (pp. 970–978). Ibarra: Universidad Técnica del Norte.
Recuperado de https://www.utn.edu.ec/jornadasinvestigacion/index.php/libro/
Chase, R. B., Jacobs, F. R., y Alquilano, N. J. (2009). Administración de operaciones.
Producción y cadena de suministros (Duodécima edición). México: McGraw Hill.
García Criollo, R. (1998). Estudio del trabajo: medición del trabajo. México: McGraw-
Hill Interamericana.
García Enríquez, I. J., Ramírez Cortés, J. M., Ibarra Bonilla, M. N., y Gómez Gil, M.
del P. (2008). Seguimiento Autónomo de la Posición de un Objeto por Visión y
Control Neuro- difuso en MATLAB (pp. 335–340). Presentado en 6th International
Conference on Electrical and Electronics Engineering Research.
Kouro, S., y Musalem, R. (2002). Control mediante lógica difusa. Técnicas modernas
automaticas,(1-7)-7, 1–7.
Montero Vega, J. C., Díaz Rangel, C. A., Guevara Trujillo, F. E., Cepeda Rugeles, A.
H., y Barrera Herrera, J. C. (2013). Modelo para medición de eficiencia real de
producción y administración integrada de información en Planta de Beneficio
(Boletín Técnico No. 33). Bogotá, Colombia: Centro de Investigación en Palma de
Aceite - Cenipalma.
Niebel, B. W., y Freivalds, A. (2009). Ingeniería Industrial: Métodos, estándares y
diseño del trabajo (Duodécima edición). México: McGraw-Hill.
Silva, C. W. de. (2018). Intelligent Control: Fuzzy Logic Applications. CRC Press. DOI:
10.1201/9780203750513
Soriano Méndez, J. J., González Melo, O. L., Munar Fontecha, F. V., y Ramos Acosta, A.
A. (2000). Propuesta de Concresor basado en Relaciones Booleanas | Ingeniería.
Ingeniería, 6(2), 42–50. DOI: 10.14483/23448393.2701
Unuigbe, A. I., Unuigbe, H. A., Aigboje, E. O., & Ehizibue, P. A. (2016). Assembly Line
Balancing Using Fuzzy Logic: A Case Study of a Tricycle Assembly Line. Open
Journal of Optimization, 5(2), 59–70. DOI: 10.4236/ojop.2016.52008
Urrutia, M., y Sernaque, B. (2014). Lógica Difusa Y Sistemas De Control. Universidad
Señor de Sipan, 26.
Wu, X., Zhao, J., & Tong, Y. (2018). Big Data Analysis and Scheduling Optimization
System Oriented Assembly Process for Complex Equipment. IEEE Access, 6,
36479–36486. DOI: 10.1109/ACCESS.2018.2852791
Zohoori, B., Verbraeck, A., Bagherpour, M., & Khakdaman, M. (2019). Monitoring
production time and cost performance by combining earned value analysis and
adaptive fuzzy control. Computers & Industrial Engineering, 127, 805–821. DOI:
10.1016/j.cie.2018.11.019

594 RISTI, N.º E19, 04/2019

 © 2019. This work is published under
https://creativecommons.org/licenses/by-nc-nd/4.0/(the
“License”). Notwithstanding the ProQuest Terms and
Conditions, you may use this content in accordance with the
terms of the License.